SAPBW数据仓库简介..docVIP

/ERPruanjianshiyong/SAP_ruanjian/200912/25-4913.html SAP BW数据仓库简介 本文从一个简单的业务场景-销售分析入手，介绍SAP BW（Business InfomationWarehouse）实现多维分析的基本方案与实现技术;结合销售分析的实际需求,给出了销售分析管理数据仓库在SAP BW(业务信息仓库)模块中的实现过程描述。 1、数据仓库的基本理论 1.1 数据仓库 数据仓库是对数据进行提炼、加工和集成含有一定量商务信息和意义的信息。数据仓库不是为了存储数据，而是为更好地利用企业内所有可能收集到的数据进行决策支持。 数据仓库拥有以下四个特点： (1) 面向主题。在数据仓库中，数据被分类，并按业务数据主题的视角，对数据进行存贮。在OLTP（联机事务处理on-line transaction processing）中，数据是按业务应用的视角进行组织和存贮。 (2) 集成。某个业务主题所包括的数据不会存贮在多个业务主题中。即某数据如果属于业务主题A，则不应该同时属于业务主题B。 (3) 具有时间特征。存贮在数据仓库中的数据，均表示在某一时间点上所发生的事实，所以数据仓库的数据大部分都与时间相关，通过这些信息，可以对企业的发展历程和未来趋势做出定量分析和预测。 (4) 相对稳定。一般情况下，数据仓库中的数据不会被更改或删除。 1.2 数据仓库系统的体系结构 一般情况下，数据仓库系统是一个分层次的体系结构，如下图：数据源：是数据仓库系统的基础，整个系统的数据源泉。通常包括企业内部信息和外部信息。 数据存储与管理：是整个数据仓库系统的核心。在现有各业务系统的基础上，对数据进行重新组织，最终确定数据仓库的物理存储结构，同时组织存储数据仓库元数据；数据仓库的管理包括数据的安全、归档、备份、维护、恢复等工作。 OLAP服务器：对分析需要的数据按照多维数据模型进行再次重组，以支持用户多角度、多层次的分析，发现数据趋势。 前端工具与应用：前端工具包括各种数据分析工具、报表工具、查询工具、数据挖掘工具以及各种基于数据仓库开发的应用。 数据仓库不仅是存放数据的载体，还包括按照业务数据对业务系统数据进行整合处理的方法流程和构建在数据仓库的分析应用。 2 数据仓库的多维建模技术 2.1 建模原则 数据模型的创建直接反映业务需求，对系统的物理实施起着指导性的作用，是数据仓库的核心问题。而数据仓库是面向主题的，一般按照主题来建模。数据仓库建模在业务需求分析之后开始，是数据仓库构造的正式开始。 主流的数据仓库模型是由Kimball提出的多维模型。该模型 降低了范式化，以分析主题为基本框架来组织数据。以多维模型开发分析主题，能够快速实施，迅速获得投资回报，在取得实际效果的基础上，再逐渐增加应用主题，循序渐进，积累经验，逐步建成企业级数据仓库。 在创建数据仓库的数据模型时应考虑：满足不同层次、用户的需求；兼顾查询效率与数据粒度的需求；支持用户需求变化;避免业务运营系统性能影响；提供可扩展性。其中，数据模型的可扩展性决定了数据仓库对新的需求的适应能力，建模既要考虑眼前的信息需求，也要考虑未来的需求。2.2 事实表和维表 事实表和维表是多维模型中的两个基本概念。 事实表是数据分析所对应的主要数据项，一般是企业内的某项业务或某个事件。事实表中的事实一般具有数据特性和可加性，事实表中可以存储不同粒度的数据，同一主题中不同粒度的数据一般存储在不同的事实表中。 维表中包含的一般是描述性的文本信息，这些文本信息将成为事实表的检索条件。维表中的维属性应该具体明确，体现出维层次的划分，能够成为分析型查询的约束条件，这是数据仓库与操作型应用在数据模型设计上的一个不同点。维表层次的级别数量取决于查询 的粒度。在实际业务环境中，多维数据模型一般含有4～15维，更多的维数或更少的维数一般都很少见。在具体工作中，设计人员一定要根据企业的实际情况确定相应的维。 在多维模型中，事实表的主码是组合码，维表的主码是简单码，事实表中与维表主码相对应的各个组成部分是外码。事实表通过与各维相对应的外码值同维表联系在一起。查询时通过事实表和维表之间的这种对应关系。 2.3 星形模型 多维数据建模以直观的方式组织数据，并支持高性能的数据访问。每一个多维数据模型由多个多维数据模式表示，每一个多维数据模式都是由一个事实表和一组维表组成的。多维模型最常见的是星形模式。在星形模式中，事实表居中，多个维表呈辐射状分布于其四周，并与事实表连接。 位于星形中心的实体是指标实体，是用户最关心的基本实体和查询活动的中心，为数据仓库的查询活动提供定量数据。每个指标实体代表一系列相关事实，完成一项指定的功能。位于星形图星角上的实体是维度实体，其作用是限制用户的查询结果，将数